Despliegue de los resultados Cartagena

In [1]:
# Importar paquetes
import matplotlib.pyplot as plt
import datetime
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
from fbprophet import Prophet
import warnings
warnings.filterwarnings('ignore')
import seaborn as sns
!pip install plotly
import plotly.express as px
import plotly.graph_objects as go
from plotly.subplots import make_subplots
import datetime as dt
from datetime import timedelta
from sklearn.model_selection import GridSearchCV
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score,silhouette_samples
from sklearn.linear_model import LinearRegression,Ridge,Lasso
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error,r2_score
from sklearn.preprocessing import PolynomialFeatures
import statsmodels.api as sm
from statsmodels.tsa.api import Holt,SimpleExpSmoothing,ExponentialSmoothing
from statsmodels.tsa.stattools import adfuller
std=StandardScaler()
from pmdarima.arima import auto_arima
pd.set_option('display.float_format', lambda x: '%.6f' % x)
Requirement already satisfied: plotly in c:\users\itco10096\.conda\envs\apc\lib\site-packages (4.9.0)
Requirement already satisfied: six in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.15.0)
Requirement already satisfied: retrying>=1.3.3 in c:\users\itco10096\.conda\envs\apc\lib\site-packages (from plotly) (1.3.3)
In [2]:
dfCovid = pd.read_csv('https://www.datos.gov.co/api/views/gt2j-8ykr/rows.csv')
In [3]:
dfCovid.head(10)
Out[3]:
ID de caso Fecha de notificación Código DIVIPOLA Ciudad de ubicación Departamento o Distrito atención Edad Sexo Tipo Estado ... FIS Fecha de muerte Fecha diagnostico Fecha recuperado fecha reporte web Tipo recuperación Codigo departamento Codigo pais Pertenencia etnica Nombre grupo etnico
0 1 2020-03-02T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 19 F Importado Leve ... 2020-02-27T00:00:00.000 NaN 2020-03-06T00:00:00.000 2020-03-13T00:00:00.000 2020-03-06T00:00:00.000 PCR 11 380.000000 Otro NaN
1 2 2020-03-06T00:00:00.000 76111 Guadalajara de Buga Valle del Cauca Recuperado 34 M Importado Leve ... 2020-03-04T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-19T00:00:00.000 2020-03-09T00:00:00.000 PCR 76 724.000000 Otro NaN
2 3 2020-03-07T00:00:00.000 5001 Medellín Antioquia Recuperado 50 F Importado Leve ... 2020-02-29T00:00:00.000 NaN 2020-03-09T00:00:00.000 2020-03-15T00:00:00.000 2020-03-09T00:00:00.000 PCR 5 724.000000 Otro NaN
3 4 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 55 M Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
4 5 2020-03-09T00:00:00.000 5001 Medellín Antioquia Recuperado 25 M Relacionado Leve ... 2020-03-08T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
5 6 2020-03-10T00:00:00.000 5360 Itagüí Antioquia Recuperado 27 F Relacionado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-26T00:00:00.000 2020-03-11T00:00:00.000 PCR 5 nan Otro NaN
6 7 2020-03-08T00:00:00.000 13001 Cartagena de Indias Cartagena D.T. y C. Recuperado 85 F Importado Leve ... 2020-03-02T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-17T00:00:00.000 2020-03-11T00:00:00.000 PCR 13 840.000000 Otro NaN
7 8 2020-03-09T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 22 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-21T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
8 9 2020-03-08T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 28 F Importado Leve ... 2020-03-07T00:00:00.000 NaN 2020-03-11T00:00:00.000 2020-03-23T00:00:00.000 2020-03-11T00:00:00.000 PCR 11 724.000000 Otro NaN
9 10 2020-03-12T00:00:00.000 11001 Bogotá D.C. Bogotá D.C. Recuperado 36 F Importado Leve ... 2020-03-06T00:00:00.000 NaN 2020-03-12T00:00:00.000 2020-03-21T00:00:00.000 2020-03-12T00:00:00.000 PCR 11 724.000000 Otro NaN

10 rows × 21 columns

In [4]:
# Modificar el tipo de datos para las variables de fechas.
dfCovid['Fecha de notificación']= pd.to_datetime(dfCovid['Fecha de notificación'])
dfCovid[ 'Fecha de muerte']= pd.to_datetime(dfCovid['Fecha de muerte'])
dfCovid['Fecha diagnostico']= pd.to_datetime(dfCovid['Fecha diagnostico'])
dfCovid['Fecha recuperado']= pd.to_datetime(dfCovid['Fecha recuperado'])
dfCovid['fecha reporte web']= pd.to_datetime(dfCovid['fecha reporte web'])
In [5]:
# Limpieza de los resultados para el atributo atención.
dfCovid['atención'].unique()
dfCovid['atención']= dfCovid['atención'].replace({'CASA':'Casa'})
dfCovid['atención']= dfCovid['atención'].fillna('No especifica')
In [6]:
fechas= sorted(pd.concat([dfCovid['Fecha de notificación'],dfCovid['Fecha diagnostico'],dfCovid['Fecha de muerte'],dfCovid['Fecha recuperado'],dfCovid['fecha reporte web']]).unique())
fechas=np.arange(min(fechas),max(fechas),np.timedelta64(86400000000000,'ns'))
dfCovid_Nuevo=pd.DataFrame({'Fecha':fechas})
dfCovid_Nuevo['Muertos']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Confirmados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo['Recuperados']=np.zeros(len(dfCovid_Nuevo))
dfCovid_Nuevo
Out[6]:
Fecha Muertos Confirmados Recuperados
0 2020-03-02 0.000000 0.000000 0.000000
1 2020-03-03 0.000000 0.000000 0.000000
2 2020-03-04 0.000000 0.000000 0.000000
3 2020-03-05 0.000000 0.000000 0.000000
4 2020-03-06 0.000000 0.000000 0.000000
... ... ... ... ...
182 2020-08-31 0.000000 0.000000 0.000000
183 2020-09-01 0.000000 0.000000 0.000000
184 2020-09-02 0.000000 0.000000 0.000000
185 2020-09-03 0.000000 0.000000 0.000000
186 2020-09-04 0.000000 0.000000 0.000000

187 rows × 4 columns

CARTAGENA

In [7]:
# Se filtra por la ciudad de interés
nombre='Cartagena de Indias'
x=dfCovid[dfCovid['Ciudad de ubicación']==nombre].sort_values(by='Fecha de muerte',ascending=False)
x=x[['ID de caso','atención','fecha reporte web','Fecha de muerte','Fecha de notificación','Fecha diagnostico','Fecha recuperado']]
x
Out[7]:
ID de caso atención fecha reporte web Fecha de muerte Fecha de notificación Fecha diagnostico Fecha recuperado
649455 649496 Fallecido 2020-09-04 2020-09-04 2020-08-23 2020-09-03 NaT
338977 339018 No especifica 2020-08-05 2020-09-03 2020-07-30 2020-08-04 NaT
573498 573539 Fallecido 2020-08-27 2020-09-03 2020-08-18 2020-08-26 NaT
42530 42571 Recuperado 2020-06-10 2020-09-03 2020-06-01 2020-06-10 2020-07-03
615768 615809 Fallecido 2020-09-01 2020-09-02 2020-08-29 2020-08-31 NaT
... ... ... ... ... ... ... ...
657761 657802 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT
658252 658293 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT
658363 658404 Casa 2020-09-05 NaT 2020-07-17 2020-07-28 NaT
658403 658444 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT
658407 658448 Casa 2020-09-05 NaT 2020-08-24 2020-09-04 NaT

20815 rows × 7 columns

In [8]:
# Se construye el Data Set Covid-19

#Conteo de muertos
m=x[x['atención']=='Fallecido'].groupby('Fecha de muerte').count()
m=pd.DataFrame({'Fecha':m.index.values,'Muertos':[n for n in m.values[:,0]]})

#Conteo de Confirmados
c=x.groupby('Fecha de notificación').count()
c=pd.DataFrame({'Fecha':c.index.values,'Confirmados':[n for n in c.values[:,0]]})

#Conteo Recuperados
r=x.groupby('Fecha recuperado').count()
r=pd.DataFrame({'Fecha':r.index.values,'Recuperados':[n for n in r.values[:,0]]})

df_Nuevo=pd.concat([dfCovid_Nuevo,c,m,r])
df_Nuevo.sort_values(by='Fecha',ascending=True)
df_Nuevo=df_Nuevo.groupby('Fecha').sum().sort_values(by='Fecha',ascending=True)

def acum(df,Col):
  m=df[Col].values
  d=0
  L=[]
  for n in m:
    d=d+n
    L.append(d)
  return L

df_Nuevo['Acum_muertos']=acum(df_Nuevo,'Muertos')
df_Nuevo['Acum_confirmados']=acum(df_Nuevo,'Confirmados')
df_Nuevo['Acum_Recuperados']=acum(df_Nuevo,'Recuperados')
df_Nuevo['Acum_Activos']=df_Nuevo['Acum_confirmados']-df_Nuevo['Acum_Recuperados']-df_Nuevo['Acum_muertos']
df_Nuevo
Out[8]:
Muertos Confirmados Recuperados Acum_muertos Acum_confirmados Acum_Recuperados Acum_Activos
Fecha
2020-03-02 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-03 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-04 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-05 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
2020-03-06 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
... ... ... ... ... ... ... ...
2020-09-01 2.000000 10.000000 77.000000 526.000000 20801.000000 18544.000000 1731.000000
2020-09-02 1.000000 9.000000 63.000000 527.000000 20810.000000 18607.000000 1676.000000
2020-09-03 1.000000 4.000000 201.000000 528.000000 20814.000000 18808.000000 1478.000000
2020-09-04 1.000000 1.000000 155.000000 529.000000 20815.000000 18963.000000 1323.000000
2020-09-05 0.000000 0.000000 191.000000 529.000000 20815.000000 19154.000000 1132.000000

188 rows × 7 columns

ANÁLISIS EXPLORATORIO DE DATOS

In [9]:
print("Estructura del dataset: ",df_Nuevo.shape)
print("Variables con valores nulos",df_Nuevo.isnull().sum())
print("Tipo de variables del dataset",df_Nuevo.dtypes)
Estructura del dataset:  (188, 7)
Variables con valores nulos Muertos             0
Confirmados         0
Recuperados         0
Acum_muertos        0
Acum_confirmados    0
Acum_Recuperados    0
Acum_Activos        0
dtype: int64
Tipo de variables del dataset Muertos             float64
Confirmados         float64
Recuperados         float64
Acum_muertos        float64
Acum_confirmados    float64
Acum_Recuperados    float64
Acum_Activos        float64
dtype: object
In [10]:
print("Información Básica")
df_Nuevo.iloc(0)[-1]
Información Básica
Out[10]:
Muertos                0.000000
Confirmados            0.000000
Recuperados          191.000000
Acum_muertos         529.000000
Acum_confirmados   20815.000000
Acum_Recuperados   19154.000000
Acum_Activos        1132.000000
Name: 2020-09-05 00:00:00, dtype: float64
In [11]:
fig=px.bar(x=df_Nuevo.index,y=df_Nuevo["Acum_Activos"])
fig.update_layout(title="Distribución del número de casos activos en Cartagena ",
                  xaxis_title="Fecha",yaxis_title="Número de casos en Cartagena",)
fig.show()
In [12]:
fig=px.bar(x=df_Nuevo.index,y=df_Nuevo["Acum_Recuperados"]+df_Nuevo["Acum_muertos"])
fig.update_layout(title="Distribución del número de casos cerrados en Cartagena",
                  xaxis_title="Fecha",yaxis_title="Número de casos en Cartagena")
fig.show()
In [13]:
df_Nuevo["WeekOfYear"]=df_Nuevo.index.weekofyear

week_num=[]
weekwise_confirmed=[]
weekwise_recovered=[]
weekwise_deaths=[]
weekwise_active=[]
w=1
for i in list(df_Nuevo["WeekOfYear"].unique()):
    weekwise_confirmed.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_confirmados"].iloc[-1])
    weekwise_recovered.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Recuperados"].iloc[-1])
    weekwise_deaths.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_muertos"].iloc[-1])
    weekwise_active.append(df_Nuevo[df_Nuevo["WeekOfYear"]==i]["Acum_Activos"].iloc[-1])
    week_num.append(w)
    w=w+1

fig=go.Figure()
fig.add_trace(go.Scatter(x=week_num, y=weekwise_confirmed,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos confirmados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_recovered,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos recuperados'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_deaths,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos de muerte'))
fig.add_trace(go.Scatter(x=week_num, y=weekwise_active,
                    mode='lines+markers',
                    name='Crecimiento semanal de los casos Activos'))
fig.update_layout(title="Crecimiento semanal de diferentes tipos de casos en Cartagena",
                 xaxis_title="Número de semanas",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [14]:
fig, (ax1,ax2) = plt.subplots(1, 2,figsize=(15,5))
sns.barplot(x=week_num,y=pd.Series(weekwise_confirmed).diff().fillna(0),ax=ax1)
sns.barplot(x=week_num,y=pd.Series(weekwise_deaths).diff().fillna(0),ax=ax2)
ax1.set_xlabel("Número de semanas")
ax2.set_xlabel("Número de semanas")
ax1.set_ylabel("Número de casos confirmados")
ax2.set_ylabel("Número de casos de fallecidos")
ax1.set_title("Aumento semanal del número de casos confirmados en Cartagena")
ax2.set_title("Aumento semanal del número de casos de muerte en Cartagena")
Out[14]:
Text(0.5, 1.0, 'Aumento semanal del número de casos de muerte en Cartagena')

Tasa de crecimiento de los casos confirmados, recuperados y de muerte

In [15]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"],
                    mode='lines+markers',
                    name='Casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"],
                    mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"],
                    mode='lines+markers',
                    name='Casos de muertes'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"],
                    mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Crecimiento de los diferentes tipos de casos en Cartagena",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()

Análisis de la tasa de moralidad y recuperación

In [16]:
df_Nuevo["Tasa de mortalidad"]=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Tasa de Recuperacion"]=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100
df_Nuevo["Casos Cerrados"]=df_Nuevo["Acum_Recuperados"]+df_Nuevo["Acum_muertos"]

print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].mean())
print("Tasa de mortalidad media",df_Nuevo["Tasa de mortalidad"].median())
print("Promedio de la tasa de recuperación",df_Nuevo["Tasa de Recuperacion"].mean())
print("Tasa de recuperación media",df_Nuevo["Tasa de Recuperacion"].median())

#Plotting Mortality and Recovery Rate 
fig = make_subplots(rows=2, cols=1,
                   subplot_titles=("Tasa de Recuperacion", "Tasa de mortalidad"))
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de Recuperacion"),
    row=1, col=1
)
fig.add_trace(
    go.Scatter(x=df_Nuevo.index, y=(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_confirmados"])*100,name="Tasa de mortalidad"),
    row=2, col=1
)
fig.update_layout(height=1000,legend=dict(x=-0.1,y=1.2,traceorder="normal"))
fig.update_xaxes(title_text="Fecha", row=1, col=1)
fig.update_yaxes(title_text="Tasa de Recuperacion en Cartagena", row=1, col=1)
fig.update_xaxes(title_text="Fecha", row=1, col=2)
fig.update_yaxes(title_text="Tasa de mortalidad en Cartagena", row=1, col=2)
fig.show()
Tasa de mortalidad media 3.988479662962927
Tasa de mortalidad media 3.6538174586326417
Promedio de la tasa de recuperación 36.83789446508252
Tasa de recuperación media 28.68043403563189
In [17]:
print("Aumento medio del número de casos confirmados cada día en Cartagena: ",np.round(df_Nuevo["Acum_confirmados"].diff().fillna(0).mean()))
print("Aumento medio del número de casos recuperados cada día en Cartagena: ",np.round(df_Nuevo["Acum_Recuperados"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de muerte cada día en Cartagena: ",np.round(df_Nuevo["Acum_muertos"].diff().fillna(0).mean()))
print("Aumento promedio del número de casos de activos cada día en Cartagena: ",np.round(df_Nuevo["Acum_Activos"].diff().fillna(0).mean()))

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().fillna(0),mode='lines+markers',
                    name='Casos de recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().fillna(0),mode='lines+markers',
                    name='Casos de Muerte'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().fillna(0),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Aumento diario de los diferentes tipos de casos en Cartagena",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
Aumento medio del número de casos confirmados cada día en Cartagena:  111.0
Aumento medio del número de casos recuperados cada día en Cartagena:  102.0
Aumento promedio del número de casos de muerte cada día en Cartagena:  3.0
Aumento promedio del número de casos de activos cada día en Cartagena:  6.0
In [18]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Fallecidos'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Activos"].diff().rolling(window=7).mean(),mode='lines+markers',
                    name='Casos Activos'))
fig.update_layout(title="Media móvil por cada 7 días de los casos confirmados, recuperados y de muerte en Cartagena",
                 xaxis_title="Fecha",yaxis_title="Número de casos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [19]:
print("Promedio de crecimiento medio del número de casos confirmados en Cartagena: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos confirmados en Cartagena: ",(df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift()).median())
print("Promedio de crecimiento medio del número de casos recuperados en Cartagena: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).mean())
print("Mediana de crecimiento medio del número de casos recuperados en Cartagena: ",(df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift()).median())
print("Promedio de crecimiento medio del número de casos de muerte en Cartagena: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).mean())
print("Mediana de crecimiento medio del número de casos de muerte en Cartagena: ",(df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift()).median())

fig=go.Figure()
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_confirmados"]/df_Nuevo["Acum_confirmados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos confirmados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_Recuperados"]/df_Nuevo["Acum_Recuperados"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos recuperados'))
fig.add_trace(go.Scatter(x=df_Nuevo.index, y=df_Nuevo["Acum_muertos"]/df_Nuevo["Acum_muertos"].shift(),
                    mode='lines',
                    name='Factor de crecimiento de los casos de muerte'))
fig.update_layout(title="Factor de crecimiento en función de la fecha de los diferentes tipos de casos en Cartagena",
                 xaxis_title="Fecha",yaxis_title="Factor de crecimiento",
                 legend=dict(x=0,y=-0.4,traceorder="normal"))
fig.show()
Promedio de crecimiento medio del número de casos confirmados en Cartagena:  inf
Mediana de crecimiento medio del número de casos confirmados en Cartagena:  1.0297786072774442
Promedio de crecimiento medio del número de casos recuperados en Cartagena:  inf
Mediana de crecimiento medio del número de casos recuperados en Cartagena:  1.0331258337038685
Promedio de crecimiento medio del número de casos de muerte en Cartagena:  inf
Mediana de crecimiento medio del número de casos de muerte en Cartagena:  1.0117025258103678

MODELOS DE PREDICCIÓN CARTAGENA

CASOS CONFIRMADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [20]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
model_scores=[]
In [21]:
model_arima= auto_arima(model_train["Acum_confirmados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_confirmados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=1976.818, Time=0.04 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=1938.424, Time=0.13 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=1930.430, Time=0.21 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=1928.642, Time=0.22 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=1963.771, Time=0.11 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=1932.809, Time=0.18 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=1923.587, Time=0.27 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=1925.440, Time=0.34 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=1949.721, Time=0.13 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=1931.969, Time=0.27 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=1925.418, Time=0.33 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=1923.945, Time=0.46 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=1950.111, Time=0.17 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=1933.661, Time=0.39 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=1927.362, Time=0.49 sec
Total fit time: 3.757 seconds
Out[21]:
ARIMA(order=(1, 2, 2), scoring_args={}, suppress_warnings=True)
In [22]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [23]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_confirmados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  263.9847487616666
In [24]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_confirmados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos confirmados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_confirmados"],
                    mode='lines+markers',name="Datos de validación para datos confirmados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos confirmados",))
fig.update_layout(title="Predicción de casos confirmados con el modelo ARIMA de Cartagena",
                 xaxis_title="Fecha",yaxis_title="Acum_confirmados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [25]:
new_date=[]
ARIMA_model_new_prediction=[]
for i in range(1,18):
    new_date.append(df_Nuevo.index[-1]+timedelta(days=i)) 
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Confirmados","Predicción Modelo ARIMA"]).head()
Out[25]:
Confirmados Predicción Modelo ARIMA
0 2020-09-06 21320.536755
1 2020-09-07 21386.956460
2 2020-09-08 21453.840159
3 2020-09-09 21521.022578
4 2020-09-10 21588.597236

Modelo Prophet

In [26]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_confirmados"])),columns=['ds','y'])
In [27]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[27]:
<fbprophet.forecaster.Prophet at 0x1d44c1fec08>
In [28]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [29]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [30]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_confirmados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  126.4582508842359
In [31]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [32]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS FALLECIDOS

Modelo ARIMA (Usando Auto-ARIMA)

In [33]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [34]:
model_arima= auto_arima(model_train["Acum_muertos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_muertos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=854.798, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=750.102, Time=0.11 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=746.330, Time=0.26 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=742.817, Time=0.15 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=807.614, Time=0.05 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=748.823, Time=0.13 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=745.231, Time=0.25 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=743.223, Time=0.19 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=754.368, Time=0.09 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=740.637, Time=0.13 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=741.871, Time=0.17 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=743.094, Time=0.49 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=748.411, Time=0.09 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=741.926, Time=0.18 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=743.838, Time=0.51 sec
Total fit time: 2.839 seconds
Out[34]:
ARIMA(order=(2, 2, 1), scoring_args={}, suppress_warnings=True)
In [35]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [36]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_muertos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  1.7216344550830542
In [37]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_muertos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos fallecidos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_muertos"],
                    mode='lines+markers',name="Datos de validación para datos fallecidos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos fallecidos",))
fig.update_layout(title="Predicción de casos fallecidos con el modelo ARIMA de Cartagena",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [38]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Fallecidos","Predicción Modelo ARIMA"]).head()
Out[38]:
Fallecidos Predicción Modelo ARIMA
0 2020-09-06 528.099059
1 2020-09-07 528.904901
2 2020-09-08 529.714894
3 2020-09-09 530.528543
4 2020-09-10 531.346793

Modelo Prophet

In [39]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_muertos"])),columns=['ds','y'])
In [40]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[40]:
<fbprophet.forecaster.Prophet at 0x1d44dc20d48>
In [41]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [42]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [43]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_muertos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  1.6478830095067551
In [44]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [45]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS RECUPERADOS

Modelo ARIMA (Usando Auto-ARIMA)

In [46]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [47]:
model_arima= auto_arima(model_train["Acum_Recuperados"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Recuperados"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=2011.978, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=1927.228, Time=0.10 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=1929.101, Time=0.22 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=1930.316, Time=0.24 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=1957.722, Time=0.10 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=1929.075, Time=0.19 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=1930.606, Time=0.33 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=1931.684, Time=0.41 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=1945.029, Time=0.13 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=1930.186, Time=0.31 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=1931.676, Time=0.57 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=1927.896, Time=0.74 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=1937.428, Time=0.18 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=1932.071, Time=0.38 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=1933.642, Time=0.47 sec
Total fit time: 4.403 seconds
Out[47]:
ARIMA(order=(0, 2, 1), scoring_args={}, suppress_warnings=True)
In [48]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [49]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Recuperados"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  535.9492183426437
In [50]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de entrenamiento para casos recuperados"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Recuperados"],
                    mode='lines+markers',name="Datos de validación para datos recuperados",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos recuperados",))
fig.update_layout(title="Predicción de casos recuperados con el modelo ARIMA de Cartagena",
                 xaxis_title="Fecha",yaxis_title="Acum_Recuperados",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [51]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Recuperados","Predicción Modelo ARIMA"]).head()
Out[51]:
Recuperados Predicción Modelo ARIMA
0 2020-09-06 20152.763724
1 2020-09-07 20387.324645
2 2020-09-08 20623.158557
3 2020-09-09 20860.265459
4 2020-09-10 21098.645352

Modelo Prophet

In [52]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Recuperados"])),columns=['ds','y'])
In [53]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[53]:
<fbprophet.forecaster.Prophet at 0x1d44db77948>
In [54]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [55]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [56]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Recuperados"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  96.88811776943786
In [57]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [58]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)

CASOS ACTIVOS

Modelo ARIMA (Usando Auto-ARIMA)

In [59]:
model_train=df_Nuevo.iloc[:int(df_Nuevo.shape[0]*0.96)]
valid=df_Nuevo.iloc[int(df_Nuevo.shape[0]*0.96):]
y_pred=valid.copy()
In [60]:
model_arima= auto_arima(model_train["Acum_Activos"],trace=True, error_action='ignore', start_p=1,start_q=1,max_p=3,max_q=3,
                   suppress_warnings=True,stepwise=False,seasonal=False)
model_arima.fit(model_train["Acum_Activos"])
 ARIMA(0,2,0)(0,0,0)[0] intercept   : AIC=2107.244, Time=0.02 sec
 ARIMA(0,2,1)(0,0,0)[0] intercept   : AIC=2037.849, Time=0.24 sec
 ARIMA(0,2,2)(0,0,0)[0] intercept   : AIC=2038.725, Time=0.26 sec
 ARIMA(0,2,3)(0,0,0)[0] intercept   : AIC=2040.429, Time=0.26 sec
 ARIMA(1,2,0)(0,0,0)[0] intercept   : AIC=2075.662, Time=0.09 sec
 ARIMA(1,2,1)(0,0,0)[0] intercept   : AIC=2038.847, Time=0.19 sec
 ARIMA(1,2,2)(0,0,0)[0] intercept   : AIC=2040.534, Time=0.39 sec
 ARIMA(1,2,3)(0,0,0)[0] intercept   : AIC=2041.321, Time=0.64 sec
 ARIMA(2,2,0)(0,0,0)[0] intercept   : AIC=2058.577, Time=0.13 sec
 ARIMA(2,2,1)(0,0,0)[0] intercept   : AIC=2040.450, Time=0.29 sec
 ARIMA(2,2,2)(0,0,0)[0] intercept   : AIC=2042.437, Time=0.55 sec
 ARIMA(2,2,3)(0,0,0)[0] intercept   : AIC=2037.263, Time=0.76 sec
 ARIMA(3,2,0)(0,0,0)[0] intercept   : AIC=2054.616, Time=0.18 sec
 ARIMA(3,2,1)(0,0,0)[0] intercept   : AIC=2042.447, Time=0.33 sec
 ARIMA(3,2,2)(0,0,0)[0] intercept   : AIC=2041.877, Time=0.65 sec
Total fit time: 5.002 seconds
Out[60]:
ARIMA(order=(2, 2, 3), scoring_args={}, suppress_warnings=True)
In [61]:
prediction_arima=model_arima.predict(len(valid))
y_pred["ARIMA Model Prediction"]=prediction_arima
In [62]:
model_scores.append(np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
print("Error Cuadrático Medio Modelo ARIMA: ",np.sqrt(mean_squared_error(valid["Acum_Activos"],prediction_arima)))
Error Cuadrático Medio Modelo ARIMA:  256.17470335170384
In [63]:
fig=go.Figure()
fig.add_trace(go.Scatter(x=model_train.index, y=model_train["Acum_Activos"],
                    mode='lines+markers',name="Datos de entrenamiento para casos activos"))
fig.add_trace(go.Scatter(x=valid.index, y=valid["Acum_Activos"],
                    mode='lines+markers',name="Datos de validación para datos activos",))
fig.add_trace(go.Scatter(x=valid.index, y=y_pred["ARIMA Model Prediction"],
                    mode='lines+markers',name="Predicción de casos activos",))
fig.update_layout(title="Predicción de casos activos con el modelo ARIMA de Cartagena",
                 xaxis_title="Fecha",yaxis_title="Acum_muertos",legend=dict(x=0,y=1,traceorder="normal"))
fig.show()
In [64]:
ARIMA_model_new_prediction=[]
for i in range(1,18):
    ARIMA_model_new_prediction.append(model_arima.predict(len(valid)+i)[-1])
pd.DataFrame(zip(new_date,ARIMA_model_new_prediction),columns=["Activos","Predicción Modelo ARIMA"]).head()
Out[64]:
Activos Predicción Modelo ARIMA
0 2020-09-06 685.192663
1 2020-09-07 507.616404
2 2020-09-08 355.256226
3 2020-09-09 181.951306
4 2020-09-10 17.927550

Modelo Prophet

In [65]:
prophet_c=Prophet(interval_width=0.75,weekly_seasonality=True,)
prophet_confirmed=pd.DataFrame(zip(list(df_Nuevo.index),list(df_Nuevo["Acum_Activos"])),columns=['ds','y'])
In [66]:
prophet_c.fit(prophet_confirmed)
INFO:fbprophet:Disabling yearly seasonality. Run prophet with yearly_seasonality=True to override this.
INFO:fbprophet:Disabling daily seasonality. Run prophet with daily_seasonality=True to override this.
Out[66]:
<fbprophet.forecaster.Prophet at 0x1d44e314408>
In [67]:
forecast_c=prophet_c.make_future_dataframe(periods=17)
forecast_confirmed=forecast_c.copy()
In [68]:
confirmed_forecast=prophet_c.predict(forecast_c)
In [69]:
model_scores.append(np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
print("Error Cuadrático Medio Modelo Prophet: ",np.sqrt(mean_squared_error(df_Nuevo["Acum_Activos"],confirmed_forecast['yhat'].head(df_Nuevo.shape[0]))))
Error Cuadrático Medio Modelo Prophet:  122.0940569221236
In [70]:
print(prophet_c.plot(confirmed_forecast))
Figure(720x432)
In [71]:
print(prophet_c.plot_components(confirmed_forecast))
Figure(648x432)